干货分享|智能网联汽车边缘场景的生成方法研究(上篇)

发布于 2022-12-14 15:05
浏览
0收藏

智能网联汽车安全上路行驶需要海量的测试里程,仅靠实车测试难以满足。虚拟仿真测试具有效率高、成本低、安全性高的特点,因此在智能网联汽车测试中的应用越来越广泛。在虚拟仿真测试中,可以通过测试迭代寻找车辆的安全边界,对自动驾驶系统设计十分重要。

边缘场景(corner case)的生成既要考虑空间探索,又要控制测试成本,确保测试场景的真实性。RRT(Rapidly-exploring Random Trees,快速扩展随机树)算法可以很容易的处理包含障碍物和差分运动约束的场景,因而广泛的被应用在各种机器人的运动规划场景中。


本文将分为上、下两篇,对智能网联汽车边缘场景的生成进行介绍。本文为上篇,将围绕智能网联汽车仿真测试的背景意义、测试场景现状、边缘场景研究的意义进行分享。 

背景与意义

据美国兰德公司测算:从统计学角度出发,在95%的置信度水平下,如果要证明自动驾驶车辆相比于人类驾驶能够减少20%的交通事故死亡率,则需要进行50亿英里的公共道路测试。如果用100辆车以25英里每小时的平均速度进行测试,大概需要225年才能完成。

一方面,局限于新车型研发周期和成本,现行的封闭场地测试和开放道路测试不仅周期长、成本高、效率低,无法满足数十亿公里里程大样本和可靠性的测试要求。另一方面,与汽车行驶安全测试密切相关的极限危险工况属于小样本、小概率事件,开放道路测试往往难以复制,测试安全也无法保障。

虚拟仿真技术是汽车研发、制造、验证测试等环节不可或缺的技术手段,能有效缩短技术和产品开发周期,降低研发成本;虚拟仿真测试是实现高阶自动驾驶落地应用的关键一环,具备自动驾驶功能的车辆必须经过大量虚拟仿真测试以及实车路测后才能商用化。

仿真测试的优势:

1) 测试场景配置灵活,场景覆盖率高;

2) 测试过程安全,且对于一些“corner case”能够进行复现和测试;

3) 可实现自动测试和云端加速仿真测试,有利于提升测试效率和降低测试成本。

干货分享|智能网联汽车边缘场景的生成方法研究(上篇)-汽车开发者社区

自动驾驶汽车测试场景现状

自动驾驶测试场景是指在一定的时间和空间范围内,自动驾驶汽车与行驶环境中的其它车辆、道路、交通设施、气象条件等元素综合交互过程的一种总体动态描述。它是自动驾驶汽车的驾驶情景与行驶环境的有机组合,既包括各类实体元素,也涵盖了实体执行的动作及实体之间的连接关系。

德国PEGASUS项目是目前广受关注的测试场景研发项目,研究定义了场景 “功能—逻辑—具体”(functional-logical-concrete)三级分层体系,定义了测试场景六层模型,聚焦于高速公路场景的研究和分析,基于事故以及自然驾驶数据建立场景数据库,以场景数据库为基础对系统进行验证。

干货分享|智能网联汽车边缘场景的生成方法研究(上篇)-汽车开发者社区


图1对于场景分层的定义


Hallerbach 等人(2018)从参数赋值的角度提出了基于仿真的关键场景识别方法,建立了评价车辆安全和交通质量的性能指标。Zhao 等人(2018)围绕加速测试框架,提出了采用扭曲车辆运行数据的统计分布的智能驾驶汽车加速测试评估方法,用以提高跟车和超车场景中智能驾驶车辆安全性能的测评效率。Langner 等人(2018)提出了利用自动编码器自动识别数据池内独特性高场景的方法,用于构建衍生关键场景。Yan 等人(2018)采用基于行驶距离侵入—碰撞时间的危险判断方法,从采集车视频数据中将危险区域划分为多个场景片段,从而生成一系列测试案例。

边缘场景的意义

目前通常采用的方法是,基于真实数据通过仿真模拟器去复现和泛化出更多的虚拟仿真测试场景。场景的泛化就是将真实道路上采集的场景数据进行特征提取、数据标注等操作后,仿真平台依据场景特征元素的关联关系或者人工经验等对场景元素进行重新组合或推演归纳处理,从而衍生出更多合理的新场景。

干货分享|智能网联汽车边缘场景的生成方法研究(上篇)-汽车开发者社区

图2 自动化测试和场景泛化工具


真正能够检测车辆行驶安全能力的危险场景比较有限,难以从边界与极限角度检验智能驾驶处理环境突发状态的应急和安全能力。目前场景构建研究工作主要集中于利用真实世界的采集数据,借助统计模型分析重现或泛化出危险场景案例。然而车辆在行驶过程中遇到危险场景的概率相对很小,大多数难以直接从自然驾驶采集中得到,这使得利用统计模型衍生难以足够接触到汽车智能驾驶的安全边界,需要分析明确描述并找到危险边界和极限,而这恰恰是当前边缘场景(corner case)所面临的难题。

干货分享|智能网联汽车边缘场景的生成方法研究(上篇)-汽车开发者社区

图3 场景包含关系图


围绕边缘场景的构建,国内外研究学者开展了多方面的探索研究。Tatar(2016)利用搜索技术在 TestWeaver 软件中自动搜索场景参数空间以确定系统安全边界案例。Klischat等(2019)采用非线性优化方法来缩小场景的可行驶空间,减小主车运动规划的解空间,不断探索场景临界性。


上篇到此告一断落,下篇将分享一种基于RRT算法生成边缘场景的方法,请持续关注。


文章转载自公众号:CICV创新中心


收藏
回复
举报
回复
相关推荐